Подготовка специалистов индустрии гостеприимства Южного региона России в условиях пандемии Covid-19 с использованием информационных технологий

Размещено на http://www.Allbest.Ru/

ФГАОУ ВО

Крымский федеральный университет им. В.И. Вернадского

Гуманитарно-педагогическая академия (филиал)

Кафедра информатики и информационных технологий

Сочинский государственный университет

Кафедра менеджмента и туристского бизнеса

Подготовка специалистов индустрии гостеприимства Южного региона России в условиях пандемии Covid-19 с использованием информационных технологий

Четырбок П.В., к.т.н., доцент

Шостак М.А., аспирант

гг. Сочи, Ялта

Аннотация

Определены рекомендации по использованию информационных (дистанционных) технологий в процессе профессиональной подготовки специалистов индустрии гостеприимства в условиях пандемии Covid-19 в Южном регионе Российской Федерации. Рассматриваются возможности платформы Moodle 3+ в подготовке специалистов индустрии гостеприимства. В условиях дистанционной работы в индустрии гостеприимства особое внимание уделяется продуктивности специалистов. Рассмотрены возможности использования интеллектуальных сервисов на платформе Moodle 3+.

Ключевые слова: информация, технология, разработка видеокурса дисциплины, методика представления лекционного материала, интеллектуальная обработка больших данных, дистанционная работа, модульная нейронная сеть.

Abstract

Hospitality industry training in South Region (Russia) in conditions of Covid-19 pandemic using information technology

Chetyrbok P.V., Candidate of Technical Sciences, Associate Professor; Department of Computer Studies and Information Technologies, Humanities-Pedagogical Academy (Branch), V.I. Vernadsky Crimean Federal University in Yalta; Shostak M.A., PhD student; Department of Management and Technologies in Tourism and Recreation, Sochi State University

The paper presents recommendations on the use of information (remote) technologies in the process of specialists training in the hospitality industry in the context of the Covid-19 pandemic in the southern region of the Russian Federation. The capabilities of the Moodle 3+ platform to train hospitality professionals are explored. In the context of remote work in the hospitality industry, particular attention is paid to the productivity of specialists. The possibilities of using intelligent services on the Moodle 3+ platform are discussed.

Keywords: information, technology, development of video course of discipline, presentation methodology of lecture material, intelligent processing of big data, remote operation, modular neural network.

Использование информационных (дистанционных) технологий в процессе профессиональной подготовки специалистов индустрии гостеприимства Южного региона Российской Федерации в период пандемии Covid-19 приобрело особую актуальность. Данная ситуация связана с необходимостью обеспечения дистанционного взаимодействия в рамках образовательного процесса. Вместе с тем следует отметить, что требования к уровню профессиональной подготовки со стороны предприятий индустрии гостеприимства региона остаются неизменными, так как очевидным является факт завершения сложившейся неблагоприятной ситуации в обозримом будущем. В сложившихся условиях образовательные организации столкнулись с необходимостью разработки, адаптации и применения информационных дистанционных образовательных технологий, способных, с одной стороны, обеспечить профессиональную подготовку специалистов на требуемом уровне в соответствии с запросами работодателей, с другой - обеспечить качество образовательного процесса на основе существующих образовательных стандартов.

Целью исследования является разработка рекомендаций по использованию информационных (дистанционных) технологий в процессе профессиональной подготовки специалистов индустрии гостеприимства в условиях пандемии Covid-19.

Задачи исследования:

- анализ использования дистанционных образовательных технологий в процессе подготовки специалистов индустрии гостеприимства в условиях пандемии Covid-19;

- использование интеллектуальных сервисов в индустрии гостеприимства.

Анализ использования дистанционных технологий в учебном процессе был проведен на основе следующих источников [1, 2]. При исследовании организации профессиональной подготовки специалистов индустрии гостеприимства авторы опирались на работы [3-5]. В процессе анализа интеллектуальных сервисов дистанционного образовательного процесса по подготовке специалистов индустрии гостеприимства были рассмотрены источники [6-8].

В условиях пандемии Covid-19 в процессе подготовки специалистов индустрии гостеприимства наиболее рационально использовать методологию дистанционного обучения на платформе Moodle 3+, так как она предусматривает прохождения дистанционных онлайн- курсов при дистанционной удаленной работе специалистов индустрии гостеприимства.

В настоящее время особо актуально использование информационных технологий (дистанционных образовательных технологий) в процессе профессиональной подготовки специалистов индустрии гостеприимства Южного региона РФ в условиях пандемии Covid-19.

Информационные технологии в дистанционном образовании разделяют на три группы:

1. Технологии представления;

2. Технологии хранения и обработки;

3. Технологии передачи образовательной информации.

Данные технологии реализованы в дистанционном обучении на основе системы управления электронными курсами Moodle 3+. Система использует учебные курсы, которые позволяют организовывать взаимодействие студентов между собой и преподавателем. Для этого используются форумы, чаты. Система позволяет передавать знания в электронном виде с помощью файлов, архивов, веб-страниц, лекций. Она также позволяет проводить проверку знаний и обучение с помощью тестов и заданий. Результаты работы студенты могут отправлять в текстовом виде или в виде файлов. Система позволяет проводить совместную работу, учебную и исследовательскую, студентов по определенной теме, с помощью встроенных механизмов вики, семинаров, форумов. Система Moodle 3+ может обеспечить выбор удобного времени и места для обучения как для преподавателя, так и для студента. Она предоставляет контакт преподавателя со студентом по мере необходимости и индивидуализацию обучения.

Система использует все основные формы организации учебного процесса: лабораторный практикум, лекции, практические и семинарские занятия, система контроля, самостоятельная и исследовательская работа студентов. Также она позволяет разрабатывать и использовать видеолекции. Используя интерактивные компьютерные технологии в мультимедиа лекций, студенты могут самостоятельно изучать лекционный контент. Система позволяет осуществлять текущий контроль; тематический контроль, рубежный и итоговый контроль с использованием элементов искусственного интеллекта. Система позволяет реализовать игровые, исследовательские и творческие формы проектной педагогической деятельности, которая формирует основу научно-исследовательской работы студентов.

Система управления обучением Moodle - это система управления, специально разработанная для создания качественных онлайн-курсов. По уровню предоставляемых возможностей Moodle выдерживает сравнение с известными коммерческими системами дистанционного обучения. В то же время эта система выгодно отличается от них тем, что распространяется в открытом исходном коде - это дает возможность настроить систему под особенности конкретного образовательного проекта, а при необходимости и встроить в нее новые модули.

Широкие возможности для коммуникации - одна из самых сильных сторон Moodle. Система поддерживает обмен файлами любых форматов - как между преподавателем и студентом, так и между самими студентами. Сервис рассылки позволяет оперативно информировать всех участников курса или отдельные группы о текущих событиях.

Важной особенностью Moodle является то, что система создает и хранит портфолио каждого обучающегося: все сданные им работы, все оценки и комментарии преподавателя к работам, все сообщения в форуме.

Преподаватель может создавать и использовать в рамках курса любую систему оценивания. Все отметки по каждому курсу хранятся в сводной ведомости. Она позволяет контролировать «посещаемость», активность студентов, время их учебной работы в сети.

Модульная структура системы обеспечивает простоту использования системы для обучающихся и преподавателей.

Наличие открытого сообщества, состоящего из более 50000 пользователей системы и более 3000 внедренных систем дистанционного обучения во всем мире, позволяет эффективно обмениваться опытом.

Согласно многочисленным исследованиям возможностей различных программных платформ, единоличным лидером оказалась система Moodle. Следует отметить, что, с учетом непрерывного совершенствования всех систем, Moodle сохраняет лидирующее положение и в настоящее время.

Платформа Moodle 3+ позволяет обучающимся получить практические навыки по разработке интеллектуальных сервисов (чат-боты, интеллектуальный анализ больших данных, разработка роботозированных комплексов). дистанционный образовательный гостеприимство пандемия

В качестве примера рассмотрим интеллектуальный сервис, встроенный в платформу по обработке больших данных с помощью модульных нейронных сетей. Рассмотрим возможности оптимальной модульной нейронной сети, топологическая модель которой построена с использованием не только пространств рецепторных и аксоновых полей, но и пространства ошибок, полученного с помощью векторного критерия, для обработки больших данных (Data mining technology). Для самообучения оптимальной модульной сети исследуется построение модулей как нейроагентов. Векторный критерий позволяет построить оптимальную модульную нейронную сеть для распознавания объектов, исключив из нее модули, которые не влияют на процесс распознавания. То есть в пространстве рецепторов исключаются поля рецепторов, не оказывающие существенное влияние на распознавание объектов по определенному правилу.

Правило исключения модуля из сети следующее: если векторный критерий при распознавании нового объекта на модуле не изменяет своего значения, то этот модуль может быть безболезненно исключен из модульной нейронной сети.

Применяя данное правило, мы фактически строим оптимальную модульную нейронную сеть для распознавания нового объекта. В конкретной реализации нейронной сети с каждым нейронным модулем связаны два линейных векторных пространства:

- пространства рецепторов;

- пространство аксонов.

Добавим к ним еще пространство ошибок. Пространство ошибок содержит векторы ошибок, полученные при распознавании объектов нейронным модулем.

Для нейронного модуля размерность пространства рецепторов равна числу рецепторов, а размерность пространства аксонов равна числу аксонов. То есть нейронный модуль является оператором, который преобразует вектор из пространства рецепторов в пространство аксонов. Оператор можно задать, вводя базисы в векторном пространстве.

Возмем за базис векторы - типичные представители классов объектов из обучающей выборки. Типичный представитель класса объектов выбирается из обучающей выборки среди эталонных образцов объектов этого класса по векторному критерию. А именно, выбирается тот эталон, на котором векторный критерий максимален. Векторный критерий позволяет в обучающей выборке среди эталонных образцов выбрать опорные векторы для машины опорных векторов. Также мы сможем добавить еще один базис, а именно векторы, полученные на ошибках распознавания опорных векторов в пространстве ошибок. Исходя из этого базиса, мы сможем вычислить векторный критерий в пространстве ошибок при распознавании нового объекта и тем самым, используя вышеприведенное правило, оптимизировать модульную нейронную сеть.

Алгоритм нахождения вектора ошибок произвольного объекта описан в [8]. Модель нейроагента реализуется в виде векторной машины. Пусть задана некоторая машина, которая может классифицировать m+1 классов g₀, g₁, ,g_m (состояния машины - векторные критерии распознавания типичных представителей классов) и натуральный ряд чисел N. Поставим в соответствие распознаваемому образу a_i некоторую конфигурацию

A₁ = g₀ a₁ a₂ a_n,

где a_i…а_n, i = 1, 2, ..., n. Если для машины существует вычисление (распознает образ - относит к определенному классу), начинающеееся в конфигурации А₁ и доходящее до заключительной конфигурации Аз, то число p€N, сопоставляемое Аз, определяет номер класса. Для машины Тьюринга, если не существует такого числа р, что конфигурация Аз является заключительной, то она работает бесконечно. Для рассматриваемой машины всегда существует число p (номер класса), что конфигурация Аз является заключительной (то есть всегда найдется класс, к которому машина отнесет распознаваемую конфигурацию Аз). Если количество классов ограничено и в класс попадают объекты, значительно отличающиеся по входным параметрам, то необходимо вводить новые классы. Отличающиеся объекты характеризуются векторными критериями, которые выступают векторами меры отличия распознаваемых объектов в пространстве ошибок. Чем меньше векторный критерий, тем хуже распознается объект. Для таких объектов необходимо создавать дополнительные классы с типичными представителями этих объектов. Это можно делать автоматически, выставляя условия для создания класса по векторному критерию, то есть машина является самообучающейся системой. Машина реализована в виде модуля нейронной сети. Если модули нейронной сети реализовать в виде нейроагентов, то получим самообучающую модульную нейронною сеть. Данная сеть не только может оптимизировать свою структуру, но также самообучаться при распознавании новых объектов.

Для того чтобы создать новый класс распознаваемых объектов, необходимо среди векторных критериев найти минимальный. А объект, которому соответствует этот критерий, сделать типичным представителем для нового класса. Таким образом, базис увеличивается на 1, и, соответственно увеличивается базис в пространстве ошибок. То есть нейроагент сможет классифицировать распознаваемые объекты на большее число классов. Таким образом, происходит самообучение нейроагента. Если самообучение нейроагента останавливается, то тем самым распознаваемые объекты с достаточной точностью классифицируются по существующим классам. То есть построен алгоритм решения задачи распознавания образов. В отличие от машины Тьюринга этот процесс конечен, и тем самым снимается проблема останова. Нейроагент в отличие от машины Тьюринга может построить алгоритмы решения для более широкого круга задач.

В связи с тем, что в настоящее время особо актуально использование информационных технологий (дистанционных образовательных технологий) в процессе профессиональной подготовки специалистов индустрии гостеприимства Южного региона Российской Федерации в условиях пандемии Covid-19, рассмотрены возможности дистанционного обучения на основе системы управления электронными курсами Moodle 3+ и разработаны рекомендации по ее использованию в процессе профессиональной подготовки специалистов индустрии гостеприимства в условиях пандемии Covid-19.

Примечания

1. Четырбок П.В. Применение дистанционных технологий в учебном процессе // Дистанционные образовательные технологии: материалы IV всерос. науч.-практ. конф. с междунар. участием. 2019. С. 129-134.

2. Chetyrbok P.V. The use of distance technologies in the educational process // Distance educational technologies: materials of the 4^th Russian Scientific and Practical Conference (with international participation). P. 129-134.

3. Kazak A.N., Chetyrbok P.V., Oleinikov N.N. Artificial intelligence in the tourism sphere. IOP Conference Series: Earth and Environmental Science. conference proceedings. Krasnoyarsk: Science and Technology City Hall of the Russian Union of Scientific and Engineering Associations, 2020.

4. Казак А.Н., Лукьянова Е.Ю., Четырбок П.В. Анализ динамики развития туристско-рекреационной сферы крымского региона // Проблемы и перспективы развития туризма в Южном федеральном округе: сб. науч. тр. 2018. С. 114-120.

5. Четырбок П.В., Джулай А.В. Разработка информационной системы управления предприятием гостиничного бизнеса на примере мини-гостиницы // Дни науки Крымского федерального университета им. В.И. Вернадского. 2018. С. 61-62.

6. Шостак М.А. Требования к профессиональной подготовке будущих менеджеров индустрии гостеприимства в условиях цифровой экономки // Государственная молодежная политика: национальные проекты 2019-2024 гг. в социальном развитии молодежи. 2020. С. 503-510.

7. Дорогов А.Ю. Теория и проектирование быстрых перестраиваемых преобразований и слабосвязанных нейронных сетей. СПб.: Политехника, 2014. 328 с.

8. Четырбок П.В. Построение решающего правила для классификации образов на основе векторов ошибок // Системні дослідження та інформаційні технології. Киев. 2013. №2. С. 114-120.

9. Chetyrbok P.V. Preliminary systemic decomposition of big data for their classification using vector criteria dynamic management model of innovations generations // XX IEEE International Conference on Soft Computing and Measurements (SCM). 2017. P. 762-764.

10. Kazak A.N., Chetyrbok P.V., Oleinikov N.N. Artificial intelligence in the tourism sphere. IOP Conference Series: Earth and Environmental Science. conference proceedings. Krasnoyarsk: Science and Technology City Hall of the Russian Union of Scientific and Engineering Associations, 2020.

11. Kazak A.N., Lukyanova E.Yu., Chetyrbok P.V. Analysis of the dynamics of the development of the tourist and recreational sphere of the Crimean region // Problems and Prospects of Tourism Development in the Southern Federal District: collection of proceedings. 2018. P. 114-120.

12. Chetyrbok P.V., Dzhulay A.V. Development of the information system of the hotel business management on the example of a mini hotel // Days of Science of the Crimean Federal University named after V.I. Vernadsky. 2018. P. 61-62.

13. Shostak M.A. Requirements for the professional training of future managers of the hospitality industry in the digital economy // State youth policy: national projects of 2019-2024 in the social development of youth. P. 503-510.

14. Dorogov A.Yu. Theory and design of fast tunable transformations and weakly connected neural networks. SPb.: Politekhnika, 2014. 328 p.

15. Chetyrbok P.V. Building a decision rule for the classification of patterns based on error vectors // Systematic Advances and Information Technologies. Kiev. 2013. No. 2. P. 114-120.

16. Chetyrbok P.V. Preliminary systemic decomposition of big data for their classification using vector criteria dynamic management model of innovations generations // XX IEEE International Conference on Soft Computing and Measurements (SCM). 2017. P. 762-764.

Размещено на allbest.ru